Entramado Vol.3 No.

1, 2007 (Enero - Junio)

Programación genética:
La regresión simbólica
Rafael Alberto Moreno Parra

Resumen
El análisis de regresión es una técnica estadística que busca deducir el patrón de una serie de datos o
investigar la relación estadística entre una variable dependiente (Y) y una o más variables independientes,
el resultado es una expresión algebraica del tipo Y=F(X1, X2, …Xn). En este artículo se trabaja con el tipo de
análisis de regresión más usual: la regresión lineal que tiene una variable independiente Y=F(X). El usuario
común tiene contacto con la regresión lineal al usar las hojas electrónicas que implementen la deducción
de líneas de tendencia dada una serie de datos. Sin embargo, se percatará que existen varios límites en
esta técnica, por ejemplo, los datos tienen comportamientos sinusoidales o siguen un comportamiento
SISTEMAS

de alguna función algebraica o combinación de funciones algebraicas por fuera del menú ofrecido:
lineal, polinomial, potencial, logarítmica o exponencial. La regresión simbólica (una aplicación de la
Programación Genética) tiene el mismo objetivo de la regresión lineal pero con un espectro mucho mayor
de búsqueda y menos limitaciones: Dados los datos, buscará el patrón (expresión algebraica) que identifique
el comportamiento de estos accediendo a todo tipo de funciones y combinaciones algebraicas.

regression (a genetic programming application)

Abstract has the same objective as lineal regression but with
a much greater search spectrum and much less
Regression analysis is a statistical analysis that aims
limitations: Given the data, it will search for the
to deduct the pattern in a series of data or research
pattern (algebraic expression) that identifies their
the statistical relation between a dependent
behavior ascending to all types of functions and
variable (Y) and one or more dependent variables,
algebraic combinations.
the result is an algebraic expression type Y=F
(X1, X2, …Xn). This article has the most common
regression analysis: lineal regression which has Palabras clave
one independent variable Y=F(X). A common user
comes into contact with lineal regression when Programación genética, regresión simbólica,
using electronic sheets that implement tendency análisis de regresión, inteligencia artificial,
line deduction given a series of data. However, evolución artificial, computación evolutiva.
he/she will notice there are certain limits to this
technique for example, the data has sinusoidal Keywords
behavior or follows some algebraic function
behavior or a combination of algebraic functions Genetic programming, symbolic regression,
beyond the offered menu: lineal, polynomial, regression analysis, artificial intelligence, artificial
potential, logarithmic or exponential. Symbolic evolution, evolutionary computation
76 Fecha de recepción: 01 - 05- 2007 Fecha de aceptación: 13 - 06 - 2007

© Unilibre Cali Entramado 2007; 5: 76-85

 Moreno, R

Entramado Vol.3 No. 1, 2007 (Enero - Junio)

La regresión simbólica (una aplicación de la Programación

Genética) tiene el mismo objetivo de la regresión lineal pero con un
espectro mucho mayor de búsqueda y muchas menos limitaciones.
Dados los datos, buscará la expresión algebraica que identifique el
comportamiento de estos accediendo a todo tipo de funciones y
combinaciones algebraicas.

el futuro si poseemos datos históricos. Se le conoce

Introducción como Análisis de Regresión.
Si se tiene una serie de valores históricos, ¿se puede Por ejemplo, si se tienen los siguientes datos históricos
predecir el comportamiento futuro? La respuesta es: Muy
probable. ¿Y cómo? Analizando esos valores históricos Mes Valor
por si hay algún patrón que los conecta. Una vez
1 3
encontrado el patrón ya se pueden hacer predicciones
2 5
realistas.
3 7

¿Y cómo se halla ese patrón? Existe un procedimiento 4 9

estadístico llamado correlación entre variables, pero no 5 11

funciona en todos los casos.

¿Qué otros procedimientos existen para hallar patrones
cuando la correlación falla? Existe uno llamado
la regresión simbólica que es una aplicación de la
Programación Genética (una rama de la Inteligencia
Artificial).
Se puede deducir que la ecuación es: Valor = 2*mes+1
y con esa ecuación se puede predecir que en el mes 6 el
valor será 13.
En el ejemplo anterior, es relativamente sencillo deducir
la ecuación, pero si se enfrenta a datos históricos como
por ejemplo:

Planteamiento del problema Mes Valor

1 7
¿Cómo se comportará el mercado en los próximos 2 10
meses? Eso trasnocha a todo gerente porque si supiera 3 18
qué va a pasar, entonces podría tomar medidas para
4 28
maximizar la rentabilidad de la empresa o minimizar las
5 44
pérdidas. Saber qué sucederá en el futuro es sueño de
todo ser humano.
Ya no es tan sencillo dar con una ecuación. El análisis
Afortunadamente existe una herramienta estadística que de regresión nos permite encontrar ecuaciones que se
puede colaborarnos para visualizar cómo se comportará aproximen a esos valores.
77
 Entramado Vol.3 No. 1, 2007 (Enero - Junio)

Análisis de Regresión
Utilizando una hoja de cálculo (como Microsoft Excel1) simplemente se escriben los datos como se ve en la imagen y
se genera una gráfica estadística (Ver Gráfica 1).

Gráfica 1. Datos dados para generar una gráfica estadística con una hoja de cálculo (como Microsoft Excel)

Se genera la línea o curvas de tendencia para poder dar con la mejor ecuación que se acerque a los datos históricos
(Ver Gráfica estadística 2).

Gráfica 2. Línea o curva de tendencia generada

Hay varias curvas para escoger: lineal, exponencial, polinomial, etc. en el ejemplo se selecciona “Lineal” (Ver Gráfica
estadística 3).

Gráfica 3. Tipos de curvas para escoger

78
© Unilibre Cali

Entramado
Por último en las opciones se selecciona “Presentar
ecuación en el gráfico” y “Presentar el valor R
cuadrado en el gráfico” (Ver Gráfica 4).
Gráfica 4. Indicaciones para agregar línea de tendencia
Gráfica 5. Resultado final: Gráfica generada o curva de tendencia generada
Moreno, R
Vol.3 No. 1, 2007 (Enero - Junio)
El resultado obtenido se puede oservar en la Gráfica 5
(Ver gráfica 5).
La hoja de cálculo dedujo que si es una línea de tendencia
recta, la ecuación con mejor aproximación es :
y=9,2x-6,2 con una aproximación R2 = 0,9371
El valor R2 se conoce como coeficiente de correlación
lineal o correlación de Pearson, el cual muestra la
exactitud de la correlación:
si tiene valor 1 la correlación es perfecta, por
encima de 0,65 se considera buena, entre 0,4
y 0,649 se considera regular y por debajo de
este valor se considera mala. Lo ideal, por lo
tanto, es que sea de valor 1.
79
 Entramado Vol.3 No. 1, 2007 (Enero - Junio)

La correlación se calcula así: Si seleccionamos otra ecuación, como la polinomial de

grado 2 se obtiene una ecuación como la que se obserava
Yt (tendencia): Es el resultado de reemplazar X en la en la Gráfica 6, que es mejor. Inclusive la correlación de
ecuación deducida por la hoja de cálculo. Pearson está muy cercana a 1 (Ver Gráfica 6).

X Ye Yt (tendencia) Ye- Ye Yt- Yt (Ye-Ye*Yt-Yt )

1 7 3 -14,4 -18,4 264,96
2 10 12,2 -11,4 -9,2 104,88
3 18 21,4 -3,4 0 0
4 28 30,6 6,6 9,2 60,72
5 44 39,8 22,6 18,4 415,84
846,40

Gráfica 6: Ecuación polinomial de grado 2

Ye = 21,4 (promedio)
Una segunda técnica conocida como suma de diferencias
Yt = 21,4 (promedio) absolutas puede ser usada para verificar la calidad de las
ecuaciones (entre más se acerque al valor cero o sea cero
Calculamos la covarianza: mejor) (Ver Tabla 1).

Diferencia Diferencia

Covarianza =
S(Ye -Ye )*(Yt -Yt )

846,4 absoluta absoluta
= =211,6 Mes Valor Ecuación entre Ecuación entre
n-1 5-1 Y 1 Ecuación 1 y
Valor Y
2 Ecuación 2 y
Valor Y

1 7 3 4 7 0
Sye = Desviación típica
2 10 12,2 2,2 10,2 0,2

3 18 21,4 3,4 17,4 0,6

1 de Ye = 15,02664301 4 28 30,6 2,6 28,6 0,6

5 44 39,8 4,2 43,8 0,2
Sumando las diferencias 16,4 1,6
Sye = Desviación típica de Yt = 14,54647724
Tabla 1: Suma de diferencias

r= Covarianza= 15,02664301
211,6
- 14,54647724
=0,9680457 Efectivamente, en este caso, la ecuación polinomial de
Sye * Syt grado 2 es más precisa que la ecuación lineal y por lo
tanto, es mejor usar esa ecuación para predecir el futuro
(por ejemplo para saber cómo será el sexto mes, solo
Correlación de Pearson =r2 0,96804572= 0,9371125 ingrese el valor 6 a X).
que es el valor que nos muestra automáticamente la hoja
de cálculo. La labor del usuario, es entonces encontrar la mejor
ecuación (idealmente que la correlación de Pearson sea
uno(1) o la suma de diferencias absolutas sea cero).
80
© Unilibre Cali
 Moreno, R

Entramado Vol.3 No. 1, 2007 (Enero - Junio)

Sin embargo, encontrar la mejor ecuación para la serie tendencia: polinomio (de grado 2 a grado 6), lineal,
de puntos que se observa en la Gráfica 7 no es sencillo. logarítmica, potencial y exponencial.

La hoja de cálculo nos lleva hasta un valor polinomial
de grado 6, pero su correlación de Pearson es 0,195,
en otras palabras, no es posible con esta herramienta
encontrar una correlación adecuada. (Ver Tabla 2)
Gráfica 7: Ecuación polinomial de grado 2
Ecuación de línea de tendencia Correlación de Pearson
y = -0,2402x + 2,0044
y = -0,0458x*x + 0,9038x - 2,7433
y = -0,0083x*x*x + 0,2668x*x - 2,2155x + 3,6904
Tabla 2: Ecuación polinomial de grado
Estos son los pasos que deben darse para hacer regresión
simbólica (inspirados en cómo trabaja la naturaleza y la
evolución de las especies2):
1. Se genera una población inicial de N ecuaciones
(formadas al azar).
2. A cada ecuación se le deduce su correlación de
Pearson.
3. Ordene las ecuaciones en orden descendente
(según el dato de la correlación de Pearson) y
seleccione las M primeras.
4. Esas M ecuaciones son reproducidas y generan Q
hijas, pero cada hija al azar se le hace un pequeño
cambio (esto se conoce como mutación) o la hija
es el producto combinado de dos ecuaciones pa-
dres (esto se conoce como cruce).
5. Reemplace las Q ecuaciones peores de la pob-
lación inicial con las Q ecuaciones hijas.
0,0291 6. Vuelva al punto 2 repitiéndose el ciclo constante-
0,0734 mente hasta que se obtengan ecuaciones con un
0,133 valor de correlación de Pearson aceptable.
Ejemplo: Dada la siguiente serie de puntos

Una aplicación de la X Ye

programación genética para hallar 0 0

las ecuaciones de correlación: 0,1

0,2
0,00998334
0,03973387
La regresión simbólica. 0,3 0,08865606
0,4 0,15576734
La regresión simbólica se define como la búsqueda de
0,5 0,23971277
funciones que se ajusten a una serie de puntos dado. La
regresión simbólica tiene acceso a una mayor variedad 0,6 0,33878548

de funciones (por ejemplo, funciones sinusoidales, valor 0,7 0,45095238

absoluto, división modular, truncamiento, redondeos, 0,8 0,57388487
polinomios de grado N, raíces, etc.) comparada con la 0,9 0,70499422
búsqueda determinística mostrada en la hoja de cálculo 1 0,84147098
que está limitada a trabajar con los siguientes tipos de
81
 Entramado Vol.3 No. 1, 2007 (Enero - Junio)

Determinar la mejor ecuación f(x) que dado el valor de X se acerque a Ye

Paso 1: Se genera una serie de ecuaciones al azar (Población=N=10)

Ecuaciónes generadas

Y = 2*seno(x)+coseno(x)
Y = 5*tangente(x/3)-coseno(x/2)
Y = 17-seno(x)+coseno(x)
Y = 4.91-tangente(x)-coseno(x)+seno(x)
Y = x*coseno(x)-seno(x) + 7.19
Y = x*x – seno(x/2) + 3
Y = 2*x – 4*seno(x) + 6*coseno(x)
Y = 1-seno(2*x)+tangente(x)-seno(x)-tangente(x)
Y = 2*seno(x)-coseno(x*x)
Y = 5-seno(x*2)-coseno(x-x)+tangente(4)

Paso 2: Se deduce a cada ecuación su correlación de Pearson

Ecuación Correlación de Pearson

Y = 2*seno(x)+coseno(x) 0,945542986
Y = 5*tangente(x/3)-coseno(x/2) 0,960871256
Y = 17-seno(x)+coseno(x) 0,964631111
Y = 4.91-tangente(x)-coseno(x)+seno(x) 0,510068073
Y = x*coseno(x)-seno(x) + 7.19 0,961439088
Y = x*x – seno(x/2) + 3 0,924849655
Y = 2*x – 4*seno(x) + 6*coseno(x) 0,985267147
Y = 1-seno(2*x)+tangente(x)-seno(x)-tangente(x) 0,771527756
Y = 2*seno(x)-coseno(x*x) 0,963507321
Y = 5-seno(x*2)-coseno(x-x)+tangente(4) 0,629947087

Paso 3: Orden en forma descendente y tome los tres primeros puestos (M=3)

Ecuación Correlación de Pearson

Y = 2*x – 4*seno(x) + 6*coseno(x) 0,985267147

Y = 17-seno(x)+coseno(x) 0,964631111
Y = 2*seno(x)-coseno(x*x) 0,963507321
Y = x*coseno(x)-seno(x) + 7.19 0,961439088
Y = 5*tangente(x/3)-coseno(x/2) 0,960871256
Y = 2*seno(x)+coseno(x) 0,945542986
Y = x*x – seno(x/2) + 3 0,924849655
Y = 1-seno(2*x)+tangente(x)-seno(x)-tangente(x) 0,771527756
Y = 5-seno(x*2)-coseno(x-x)+tangente(4) 0,629947087
Y = 4.91-tangente(x)-coseno(x)+seno(x) 0,510068073

82
© Unilibre Cali

Entramado
Paso 4: Tome esas M ecuaciones padres y genere Q hijas (las hijas varían por mutación). Observe el cambio de
padre a hija. En este caso cada padre genera una sola hija (Q=3)
Ecuación padre
Y = 2*x – 4*seno(x) + 6*coseno(x)
Y = 17-seno(x)+coseno(x)
Y = 2*seno(x)-coseno(x*x)
Paso 5: Reemplace las peores ecuaciones de la población anterior con las hijas
Ecuación Correlación de Pearson
Y = 2*x – 4*seno(x) + 6*coseno(x)
Y = 17-seno(x)+coseno(x)
Y = 2*seno(x)-coseno(x*x)
Y = x*coseno(x)-seno(x) + 7.19
Y = 5*tangente(x/3)-coseno(x/2)
Y = 2*seno(x)+coseno(x)
Y = x*x – seno(x/2) + 3
Y = x – 4*seno(x) + 6*coseno(x)
Y = seno(x)+coseno(x)
Y = 2*coseno(x)-coseno(x*x)
Paso 6: Vuelva al Paso 2 hasta que se obtenga una
ecuación cuya correlación de Pearson sea aceptable
(por ejemplo, más de 0,9988).
No hay un absoluto que así siempre se deba proceder
en hacer regresión simbólica utilizando programación
genética, el concepto se mantiene pero los pasos pueden
tener variaciones:
1. En el ejemplo se trabajó con una población
inicial de 10, pero también puede usarse
100, 1000 o 2000 (una población grande
daría más variedad pero también requiere
más poder de cómputo).
2. Las ecuaciones generadas usan funciones
como seno, coseno, tangente, pero
podrían haberse usado otras funciones
como exponenciales, logaritmo natural,
cosecante, etc. (Da una mayor variedad).
Moreno, R
Vol.3 No. 1, 2007 (Enero - Junio)
Ecuación hija
Y = x – 4*seno(x) + 6*coseno(x)
Y = seno(x)+coseno(x)
Y = 2*coseno(x)-coseno(x*x)
0,985267147
0,964631111
0,963507321
0,961439088
0,960871256
0,945542986
0,924849655
3. La función de evaluación fue la correlación
de Pearson pero esta requiere varios cálculos
por ecuación para conseguirla (lo que
conlleva usar mucho poder de cómputo),
quizás sea mejor usar otro cálculo más
rápido, como la suma de diferencias
absolutas.
4. La selección de las mejores ecuaciones para
ser reproducidas fue simplemente ordenar
de mayor a menor y extraer las primeras
M ecuaciones; el número a escoger puede
variar y la escogencia puede ser de otra
manera (por torneo, por ruleta, etc.)
siempre premiando las mejores pero no
cerrándoles la puerta de tajo a las que no
les fue tan bien.
5. Solo se generó una hija por padre. Pueden
generarse dos o más ecuaciones hijas,
83
 Entramado Vol.3 No. 1, 2007 (Enero - Junio)

además solo se usó el operador de mutación Conclusiones

para variar la hija del padre, también se
puede hacer cruce.
6. Las ecuaciones hijas reemplazaron las peores
ecuaciones, pero también puede usarse otra
forma de reemplazo (por ejemplo, se escogen
Q ecuaciones de la población en forma
aleatoria y esas serán reemplazadas por las
hijas).
Problemas con el uso de la
Programación Genética
1. Requiere alto poder de cómputo.
• Toda teoría científica al final genera una aplicación
práctica, la Programación Genética y su aplicación
en regresión simbólica es una aplicación de la
Teoría de la Evolución de las Especies de Charles
Darwin. Solo es una pequeña muestra de lo que
se puede hacer con lo descubierto por Darwin.
• La regresión simbólica nos permite ir más allá de
la simple relación causal entre dos variables, la
realidad trabaja con muchas variables. Obsérvese
la siguiente tabla:
Valor X Valor Y Valor Z
2 7 15

2. Se debe pensar cómo formar las ecuaciones al 4 2 18

azar, de tal manera que haya una gran variedad 5 1 9
pero que sean algebraicamente correctas. 7 5 11

3. El resultado de este procedimiento depende

mucho de cómo se implementa el algoritmo y los
Valor Z es el resultado de una ecuación en que
parámetros a usar (población inicial, criterio de
participan el Valor X y el Valor Y. La pregunta
selección, número de hijos, reemplazo, etc.)
es ¿cuál es la ecuación?, ¿será Z=3*X-2*Y o
Z=5*X*X+X*Y-3*Y o ….? ¿Si nos enfrentamos a
4. Consume gran cantidad de números aleatorios
problemas con tres, cuatro, cinco o más variables
(el generador de números aleatorios debe tener
involucradas?
un periodo bastante grande como el Mersenne
Twister).
La vida es la respuesta a los problemas complejos
de múltiples variables que nos plantea la realidad
5. La simulación puede que quede paralizada en un
y la evolución es la herramienta que la vida
máximo local (La población se quedó formada
usa para resolverlos. ¿Qué nos impide hacer
con ecuaciones que por más mutaciones o cruces
uso de esta herramienta para resolver nuestros
se hagan, no hay forma de mejorar).
problemas?
6. Las ecuaciones generadas no están factorizadas e
inclusive pueden tener operaciones que se anulan
entre sí (por ejemplo: x-x+x-x).

7. No hay garantías que la ecuación encontrada sea

la mejor.

84
© Unilibre Cali
 Moreno, R

Entramado Vol.3 No. 1, 2007 (Enero - Junio)

CITAS
1 En Microsoft Excel, la desviación típica o desviación estándar se calcula con la función =DESVEST(rango)

2 La programación genética tiene como base la Teoría de la Evolución de las Especies de Charles Darwin

BIBLIOGRAFÍA

SANTOS J., Richard J. Duro. Evolución Artificial y Robótica Autónoma. Alfaomega, Ra-Ma. 2005.

NILSSON Nils, J. . Inteligencia Artificial. Una nueva síntesis. McGrawHill. 2001.

VÉLEZ, Antonio . Del Big Bang al Homo sapiens. Villegas Editores. 2004

DARWIN, Charles . El Origen de las Especies. 1859

Rafael Alberto Moreno

Parra
Ingeniero de Sistemas. Universidad de
San Buenaventura, Cali. Docente hora
cátedra, facultad de Ingeniería de Sistemas,
Universidad Libre, Cali. Docente hora
cátedra, programa de Ingeniería de Sistemas
e Ingeniería Industrial, Universidad de San
Buenaventura.
85